版本：1.1

Bulk SiC system

下文将以 Bulk SiC 系统为例，介绍如何使用 PWMLFF Linear Model 进行训练，以及如何使用训练好的模型进行预测。

整个程序运行逻辑大致分为：

1. 产生数据集

以 PWmat AIMD 模拟得到的 SiC 数据为例，数据文件为MOVEMENT，包含 100 个结构，每个结构包含 216 个原子。

etot.input输入文件示例：

4  1
JOB = MD
MD_DETAIL = 3 1000 1 300 1000
#MD_DETAIL = 3 1000 1 300 300
XCFUNCTIONAL = PBE
Ecut = 50
ECUT2 = 200
MP_N123 = 2 2 2 0 0 0 3
E_ERROR = 0
wg_error = 0
RHO_ERROR = 1E-4
ENERGY_DECOMP = T
OUT.STRESS = F
IN.ATOM = atom.config
IN.PSP1 = Si.SG15.PBE.UPF
IN.PSP2 = C.SG15.PBE.UPF

可选项ENERGY_DECOMP：是否将总 DFT 能量分解为属于每个原子的能量（原子能量）。结果输出在MOVEMENT文件中。如需使用或训练原子能量，需要将其设置为T。
可选项OUT.STRESS：是否输出应力信息，如需训练Virial，则需要将其设置为T。
其他参数含义参考PWmat manual。

2. 训练过程

2.1 提取特征

新建目录，放置MOVEMENT*文件。或者MOVEMENT*文件也可以放置在其他目录下，只需要通过修改输入文件*.json中的train_movement_path路径进行训练。

2.2 训练输入文件

当前目录下，新建*.json文件(如linear_sic.json)，该文件包含一系列需要传入的参数。

输入文件示例 (输入文件其他参数说明)：

{   
    "train_movement_file":["./1_300_MOVEMENT", "./2_300_MOVEMENT"],
    "model_type": "Linear",
    "atom_type":[14, 6]
}

train_movement_file: MOVEMENT文件存放名。可以设置同时多个文件。
model_type：模型类型，现在训练所使用的模型。其他模型类型的训练及参数配置参考参数细节。
atom_type：原子类型，14 和 6 分别为 Si 和 C 的原子序数

2.3 运行

以下 slurm 示例脚本适用于 Mcloud,提交任务时确保已经加载必要的环境和模块。如conda activate PWMLFF。

#!/bin/sh
#SBATCH --partition=3080ti
#SBATCH --job-name=mlff
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=1
#SBATCH --gres=gpu:1
#SBATCH --gpus-per-task=1

PWMLFF train linear_sic.json > log

交互式运行：

$ srun -p 3080ti --gres=gpu:1 --pty /bin/bash
$ PWMLFF train linear_sic.json

程序运行后，会在程序执行目录下生成forcefield目录:

forcefield
├── forcefield.ff
├── fread_dfeat            
│   ├── energyL*           
│   ├── forceL*            
│   ├── linear*            
│   ├── weight_feat.*      
│   ├── energyL*           
│   ├── ...           
│   ├── feat*          
│   ├── weight_feat.*          
│   └── linear_fitB.ntype     
├── input          
│   └── *feature.in     
├── (output)                     
    └── grid*   # feature 1, 2时使用

3. 验证/测试

训练完成后，可以对模型进行验证/测试，以确定模型的拟合效果。

新建目录(如MD)，将另一个的MOVEMENT文件复制到该目录中。同时在.json文件中设置test_movement_file和test_dir_name参数。

    "test_movement_file":["./MD/MOVEMENT"],
    "test_dir_name":"test_dir",

验证程序运行示例：

将PWMLFF train linear_sic.json中的train修改为test：

PWMLFF test linear_sic.json

程序运行完成后，验证结果保存在test_dir_name设置的test_dir/目录下

警告

pre_fac_ei不为0时，即进行atomic energy的训练时，如果用于验证的MOVEMENT中没有atomic energy，则test程序不会自动输出atomic-energy的验证图。

4. Lammps 模拟

将训练完成后生成的*.ff力场文件用于 lammps 模拟。（需使用经过修改的版本重新编译）

为了使用 PWMLFF 生成的力场文件，需要在 lammps 的输入文件中设置以下内容：

pair_style      pwmatmlff
pair_coeff      * * 1 1 forcefield.ff 14 6

其中1表示使用 Linear 模型产生的力场，1表示读取 1 个力场文件，forcefield.ff为 PWMLFF 生成的力场文件名称，14 和 6 分别为 Si 和 C 的原子序数

以下是lammps输入文件示例(nvt系综)：

units           metal
boundary        p p p
atom_style      atomic
processors      * * *
neighbor        2.0 bin
neigh_modify    every 10 delay 0 check no

read_data       POSCAR.lmp

pair_style      pwmatmlff
pair_coeff      * * 1 1 forcefield.ff 14 6
velocity        all create 300 206952 dist gaussian
timestep        0.001
fix             1 all nvt temp 300 300 0.1
thermo_style    custom step pe ke etotal temp vol press
thermo          1
dump            1 all custom 1 traj.xyz id type x y z  vx vy vz fx fy fz
run             1000 

5. 输入文件其他参数说明

{
    "work_dir":"./work_dir",
    "reserve_work_dir": false,
    "train_movement_file":["MOVEMENT"],

    "forcefield_name": "forcefield.ff",
    "forcefield_dir": "forcefield",

    "test_movement_file":["./MD/MOVEMENT"],
    "test_dir_name":"test_dir",

    "model_type": "Linear",
    "atom_type":[14,6],
    "max_neigh_num":100, 

    "optimizer":{
        "pre_fac_force":0.5,
        "pre_fac_etot":0.5, 
        "pre_fac_ei":0.5        
    },
    
    "model":{
        "descriptor": {
            "Rmax":6.0, 
            "Rmin":0.5,
            
            "feature_type":[3,4],
            
            "1":{
                "numOf2bfeat": 24,
                "iflag_grid": 3,
                "fact_base": 0.2,
                "dR1": 0.5,
                "iflag_ftype": 3
            },
            "2":{
                "numOf3bfeat1" : 3,
                "numOf3bfeat2" : 3,
                "iflag_grid" : 3,
                "fact_base" : 0.2,
                "dR1" : 0.5,
                "dR2" : 0.5,
                "iflag_ftype" : 3
            },
            "3":{
                "n2b": 6,
                "w": [1.0, 1.5, 2.0]
            },
            "4":{
                "n3b": 20,
                "zeta": 2.0,
                "w": [0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0]
            },
            "5":{
                "n_MTP_line":5
            },
            "6":{
                "J":3.0,
                "n_w_line":2,
                "w1":[0.9, 0.1, 0.8, 0.2, 0.7, 0.3, 0.6, 0.4],
                "w2":[0.1, 0.9, 0.2, 0.8, 0.3, 0.7, 0.3, 0.6]
            },
            "7":{
                "M":25,
                "M2":4,
                "weight_r":1.0
            },
            "8": {
                "M":8,
                "weight_r":1.0,
                "w":[1.0, 1.5, 2.0, 2.5]
            }
        }
    }
}

work_dir: 训练过程中的中间文件保存目录。训练完成后自动删除。reserve_work_dir为true时，训练完成后不删除该目录。
train_movement_file: MOVEMENT文件存放名。可以设置同时多个文件。
forcefield_name: 生成的力场文件名称。可不设置。
forcefield_dir: 生成的力场文件存放的目录。可不设置。
test_movement_file: 用于训练完成后验证模型的MOVEMENT文件。(详情见验证测试部分)
test_dir_name: 训练完成后验证模型的MOVEMENT文件的存放目录。
model_type：模型类型，现在训练所使用的模型。其他模型类型的训练及参数配置参考参数细节。
atom_type：原子类型，14 和 6 分别为 Si 和 C 的原子序数
max_neigh_num：最大近邻原子数。
etot_weight：训练时总能量的权重。
force_weight：训练时原子力的权重。
ei_weight：训练时原子能量的权重，设置为 0 时表示不训练原子能量。
model: 模型参数，具体参数配置参考参数细节。
feature_type：特征类型，3,4 对应 2-body and 3-body Gaussian feature，详见特征类型

Bulk SiC system

1. 产生数据集​

2. 训练过程​

2.1 提取特征​

2.2 训练输入文件​

2.3 运行​

3. 验证/测试​

4. Lammps 模拟​

5. 输入文件其他参数说明​